在数字化时代，企业对用户行为分析的需求日益增长，但传统的分析工具往往只能提供表面的数据，无法深入洞察用户的真实意图与行为模式。如今，一群年轻的创业者通过创新的AI技术，正在重新定义产品分析的方式。

你有没有想过，那些企业花重金购买的用户分析工具，其实都在回答错误的问题？传统的产品分析告诉你”什么”发生了——有多少用户点击了按钮，多少人完成了注册，多少人在某个页面停留了多长时间。但它们从来不告诉你最关键的”为什么”——为什么用户会离开，为什么转化率突然下降，为什么某个功能没人用。

当我了解到一群平均年龄只有21岁的年轻创业者，在短短几天内就从Y Combinator、General Catalyst等顶级投资机构手中拿到500万美元融资时，我意识到他们可能找到了一个真正的痛点。这家叫Human Behavior的公司，正试图用AI彻底改变企业理解用户行为的方式。他们的方法听起来简单得令人怀疑：让AI直接”观看”用户使用产品的录像，然后自动分析出用户的真实意图和行为模式。

在深入研究他们的故事后，我发现这个看似简单的想法背后，隐藏着对整个产品分析行业的深刻洞察。这些年轻人可能正在解决一个困扰了无数产品团队多年的根本性问题：如何真正理解用户。

传统产品分析的根本缺陷

我一直觉得现在的产品分析工具存在一个根本性矛盾。Mixpanel、Amplitude这些公司建立了庞大的商业帝国，承诺帮助企业理解用户行为，但它们的方法本质上是倒退的。你需要预先知道要追踪什么，然后手动设置事件监听器，才能获得数据。这就像是在还没看到用户行为之前，就要猜测他们会做什么。

更糟糕的是，这种方法需要大量的工程资源。每当产品发生变化时，开发团队就必须重新配置分析系统。每个按钮、每个交互都需要单独的代码来追踪。我见过太多产品团队把大量时间浪费在配置这些追踪代码上，而不是真正去理解用户需求。Human Behavior的创始人Amogh Chaturvedi在访谈中提到：”传统分析的方式是你必须自己设置事件监听器和追踪器，当你的应用发生变化时，你基本上要重新设计整个分析系统，这相当烦人。”

另一个问题是会话回放工具。PostHog、LogRocket这些公司可以录制用户的完整操作过程，但这创造了另一个极端：信息过载。想象一下，你的产品每天有成千上万的用户，每个用户会话都被完整录制下来。面对这堆积如山的视频数据，产品经理根本不可能逐一观看分析。即使你有时间看，也很难从个别案例中提取出有意义的模式和趋势。

这就形成了一个奇怪的现象：要么你有聚合数据但缺乏上下文，要么你有丰富的上下文但无法规模化分析。企业被迫在”看到森林但看不见树木”和”看到树木但看不见森林”之间做选择。Human Behavior的三位创始人——20岁的Amogh Chaturvedi、22岁的Skyler Ji和22岁的Chirag Kawediya——正是在经历了这种痛苦后，决定寻找一种全新的解决方案。

他们之前的创业项目Dough是一个电商会计工具，在使用各种分析工具的过程中，他们发现了这个行业的根本问题。客户不断询问同一个问题：为什么某些产品卖得好，某些卖得不好？传统的会计和分析工具能告诉你销售数字，但回答不了背后的原因。这种挫败感最终催生了Human Behavior的想法。

AI观察用户的革命性方法

Human Behavior的核心洞察非常简单，但执行起来却极其复杂：既然人类可以通过观看用户会话录像来理解用户行为，为什么不能训练AI来做同样的事情？这个想法的天才之处在于，它将人类最擅长的能力——模式识别和行为理解——与AI最擅长的能力——大规模数据处理——结合起来。

在技术实现上，他们使用视觉AI模型（主要是Google的Gemini）来”观看”用户会话回放。这些AI不仅能识别用户点击了什么、访问了哪个页面，更重要的是能理解用户的意图和情绪状态。比如，AI能识别出用户在某个表单上反复点击提交按钮——这种”愤怒点击”通常表明用户遇到了技术问题或者感到困惑。

从产品体验角度看，Human Behavior让产品团队能够用自然语言提问。比如你可以问：”显示所有在购物车页面停留超过2分钟但最终放弃购买的用户会话。”AI会自动搜索所有相关的会话录像，并提供分析结果。这种交互方式彻底改变了产品分析的工作流程，从需要技术专家配置复杂查询，变成任何人都能直接提出业务问题。

他们的客户包括Delve、Conduit等快速增长的Series A和B轮公司。这些公司每天会收到AI生成的摘要邮件，突出显示哪些功能被使用了、出现了哪些bug、哪些用户流失了。更重要的是，这些洞察都基于对真实用户行为的观察，而不是预设的假设。

在技术挑战方面，最大的难点是规模化处理。Skyler Ji在访谈中提到：”一些客户每天有上百万个会话，特别是那些高流量的电商网站。”这需要复杂的基础设施来处理如此大量的视频数据，同时保证AI分析的准确性和速度。他们还面临大语言模型的幻觉问题，需要建立验证机制来确保分析结果的可靠性。

有趣的是，这种方法的商业价值不仅体现在更好的产品洞察上，还能大幅降低工程成本。产品团队不再需要花费大量时间配置事件追踪，开发人员可以专注于构建产品功能而不是分析基础设施。一位客户评价说：”Human Behavior让我们能够专注于核心产品开发，而将AI的繁重工作交给他们处理。”

年轻创业者的成长轨迹

这三位创始人的背景和成长经历本身就是一个引人入胜的故事。Amogh Chaturvedi在20岁时从斯坦福大学辍学，Skyler Ji从加州大学伯克利分校辍学，而Chirag Kawediya则坚持完成了芝加哥大学的学业。他们的相遇源于2023年Amogh组织的一个黑客住宅项目，当时他刚完成斯坦福的大一学年，想找个借口和朋友一起生活和开发项目。

他们的第一次创业尝试是Dough，一个电商会计工具。这个项目让他们学到了宝贵的经验，也暴露了他们早期的一些误区。Amogh在访谈中坦率地反思：”我们总是试图寻找想法，而不是让想法自然地来到我们身边。”他们曾经尝试过AI会计工具、电商新银行等各种”听起来很酷”的概念，但都缺乏真正的个人联系和深度理解。

Y Combinator的申请过程对他们来说是个转折点。他们前两次申请都被拒绝了，YC的合伙人直接告诉他们”这些想法很糟糕”。但这种挫折反而让他们更清楚地认识到，成功的创业想法必须来自真实的痛点体验，而不是市场调研或者投资趋势。

当他们最终被YC接受时，实际上是基于”假设他们会快速转向”的前提。果然，在进入YC后，他们几乎立即开始了新的方向探索。Human Behavior的想法就是在这个过程中诞生的。Amogh描述了那个关键时刻：”我们在一家奶茶店坐了3小时，在白板上抛出各种想法。突然间，我朋友提到会话回放，说如果有AI能帮他分析这些视频，他愿意付很多钱。”

这个想法的验证过程展现了他们的执行力。在决定构建任何产品之前，他们与超过100位产品团队负责人进行了深度访谈，其中包括财富500强公司和独角兽企业的决策者。他们的方法是持续的冷邮件外联，每天发送500封邮件，使用四个不同的邮箱账户。这种”令人讨厌但必要”的方法让他们获得了大量真实的市场反馈。

Y Combinator的经历对他们的影响是深刻的。Amogh说：”YC改变了我作为一个人，这不是夸张。”他们学会了专注于基本原则：构建人们真正想要的东西，与客户交谈，专注于产品。这些听起来简单的概念，在实际执行中却需要不断的纪律和提醒。他们还学会了精益实验的重要性——快速构建、快速测试、快速迭代，而不是追求完美的产品。

融资背后的投资逻辑

Human Behavior在短短两天内完成500万美元种子轮融资这一事实，反映了当前投资界对AI应用的极度乐观，但更重要的是他们解决的问题的普遍性。General Catalyst领投，Paul Graham、Vercel Ventures和Y Combinator参投，这个投资者名单本身就说明了项目的质量。

特别值得注意的是Paul Graham的参与。作为Y Combinator的联合创始人，他很少直接投资个别公司，他的参与通常意味着对团队和想法的高度认可。这种背书对一个平均年龄只有21岁的团队来说是巨大的信任票。

Amogh在谈到融资时展现了超越年龄的商业成熟度：”我们本可以玩金融工程游戏，因为我们得到了更多估值更高的offer，但我们不想那样做。”这种对长期价值而非短期估值最大化的关注，显示了他们对构建可持续企业的理解。

投资的时机也很关键。现在的视觉AI模型终于达到了能够准确解析大规模会话回放的水平。正如Amogh所说：”这种技术迟早会被开发出来。我们决定现在就做，是因为Gemini还不够好，视觉模型还没有达到要求。’为什么是现在’的原因很简单——模型刚刚好到足以做这件事。”

从商业模式角度看，Human Behavior面向的是一个巨大且不断增长的市场。每家有用户界面的公司都需要理解用户行为，传统解决方案的局限性创造了明显的市场机会。他们的客户主要是快速增长的Series A和B轮公司，这些公司有足够的用户数据来产生有意义的洞察，同时也有预算投资于更好的分析工具。

团队的技术背景也为投资者提供了信心。虽然他们年轻，但在AI和机器学习方面有实际经验。他们曾在斯坦福NLP组和芝加哥大学数据库组进行过视觉语言模型研究，这为商业化应用提供了solid的技术基础。

技术实现的挑战与突破

从技术角度看，Human Behavior面临的挑战远比表面看起来复杂。首先是数据处理的规模问题。当你需要分析数百万个用户会话时，传统的视频处理方法根本无法应对。他们必须开发专门的基础设施来处理这种规模的数据流，同时保证实时性和准确性。

会话回放的技术实现本身就很复杂。他们不是简单地录制屏幕视频，而是重建DOM元素、XY坐标位置、光标移动轨迹等信息，然后用这些数据重新创建用户交互的”视频”。这种方法的优势是文件大小更小，处理速度更快，同时保护了用户隐私。

AI模型的训练和优化是另一个技术难点。视觉AI需要理解各种不同的网页界面、交互模式和用户行为。这需要大量的训练数据和持续的模型改进。他们使用Google的Gemini作为基础模型，但还需要针对会话分析的特定需求进行优化。

准确性是最大的挑战之一。Skyler在访谈中提到：”Gemini有时会产生幻觉。”这在用户行为分析中是不能接受的，因为错误的洞察可能导致错误的产品决策。他们必须建立验证机制和置信度评分系统，确保AI分析结果的可靠性。

隐私和合规也是重要考虑因素。虽然他们声称”技术上我们不是在观看任何用户，我们是在重建DOM元素”，但处理用户行为数据仍然涉及复杂的隐私问题。他们已经获得了SOC2合规认证，并建立了行业标准的数据保护政策，包括数据保留政策和存储安全措施。

集成的简便性是他们的一个重要竞争优势。他们提供了与PostHog、LogRocket、Hotjar等现有会话回放工具的直接集成，企业不需要改变现有的技术栈就能使用Human Behavior。这种”即插即用”的方法大大降低了采用门槛。

从算法角度看，他们不仅要识别用户的行为，还要理解行为背后的意图。比如，区分”用户在浏览产品信息”和”用户遇到了加载问题而等待”。这需要复杂的上下文理解和模式识别能力。他们开发了专门的算法来识别”愤怒点击”、购物车放弃、功能发现等关键行为模式。

产品团队工作方式的革命

Human Behavior正在改变产品团队日常工作的方式。传统上，产品经理需要花费大量时间配置分析工具、创建仪表板、手动筛选数据来寻找洞察。现在，他们可以直接用自然语言提出业务问题，AI会自动提供答案和相关的用户会话录像。

这种工作方式的转变在实际使用中带来了显著的效率提升。产品团队不再需要提前预测需要追踪什么行为，他们可以回溯性地探索任何行为模式。比如，当发现转化率下降时，他们可以立即搜索”显示所有在结账页面停留超过30秒但没有完成购买的用户”，快速找到问题所在。

用户洞察的质量也得到了提升。传统分析工具只能告诉你有多少用户离开了某个页面，但Human Behavior能告诉你他们离开的具体原因——是因为加载太慢、表单验证错误、还是价格信息不清晰。这种深度的行为理解让产品改进变得更加精准和有效。

bug发现和修复的流程也被优化了。AI能自动识别用户遇到的技术问题，比如表单提交失败、页面加载错误等，并自动将相关的会话录像附加到bug报告中。这让开发团队能够更快地重现和修复问题，而不需要产品团队手动收集和整理用户反馈。

客户支持的效率也得到了提升。当用户报告问题时，支持团队可以立即查看该用户的完整行为历史，理解问题的上下文，提供更准确的帮助。这种上下文理解能力大大减少了来回沟通的次数，提高了客户满意度。

功能优先级决策变得更加数据驱动。产品团队可以看到用户实际如何发现和使用新功能，哪些功能路径最有效，哪些功能被忽视了。这种实际使用数据比用户调研或A/B测试结果更加可靠，因为它反映的是用户的真实行为而不是声明的偏好。

行业竞争格局的变化

Human Behavior的出现对现有的产品分析生态系统构成了真正的挑战。Mixpanel、Amplitude这些传统分析公司建立的护城河主要基于数据积累和集成生态，但如果AI能够直接从会话录像中提取洞察，这些优势可能会被削弱。

更有趣的是，Human Behavior可能重新定义了”产品分析”的边界。传统上，分析工具和会话回放工具是两个独立的类别，但Human Behavior将它们合并了。这种整合可能催生一个全新的产品类别，我称之为”智能行为分析”。

从竞争策略角度看，Human Behavior采用了”从零开始用新技术构建”的方法。正如Amogh所说：”对于一些现有公司来说，可能很难复制我们的产品，因为他们的架构无法支持这种转变而不从头开始。”这种技术债务问题确实可能成为传统公司的劣势。

但现有玩家也不会坐以待毙。Mixpanel和PostHog都有资源和客户基础来开发类似的AI功能。关键问题是谁能更快地将这种技术推向市场，并获得足够的用户数据来训练和改进AI模型。

新兴的竞争可能来自意想不到的方向。大型科技公司如Google、微软都有强大的AI能力和云基础设施，他们可能将类似功能整合到现有的分析平台中。开源社区也可能开发出替代方案，特别是在基础AI模型变得更加商品化的情况下。

市场教育是所有玩家面临的共同挑战。企业需要理解为什么应该从传统分析方法转向AI驱动的行为分析。这需要大量的市场教育和成功案例展示。Human Behavior作为先行者，既有先发优势也有教育市场的责任。

对整个科技行业的启示

Human Behavior的成功反映了一个更广泛的趋势：AI正在重新定义每个软件类别。过去几年，我们主要看到AI在内容生成、对话系统等领域的应用，但现在AI开始渗透到更深层的业务功能中，比如用户行为分析、业务洞察等。

这种趋势对创业者的启示是：不要试图构建通用AI，而要寻找特定领域中AI能够解决的具体问题。Human Behavior的成功不是因为他们的AI技术本身有多先进，而是因为他们找到了一个AI能够产生巨大价值的具体应用场景。

从投资角度看，这个案例显示了投资者对”AI+传统软件类别”这种组合的兴趣。每个现有的软件类别都可能被AI重新定义，这为创业者和投资者创造了巨大的机会空间。关键是找到那些传统方法存在根本性局限的领域。

年龄不再是创业的障碍，特别是在AI领域。这三位20岁出头的创始人能够获得顶级投资者的认可，说明在快速变化的技术环境中，新鲜的视角和对新技术的敏感度可能比传统的行业经验更重要。

技术民主化的趋势也很明显。过去，开发复杂的AI应用需要大量的专业知识和资源，但现在，三个大学生就能利用现有的AI模型构建出有商业价值的产品。这种技术门槛的降低将加速AI应用的创新和普及。

从商业模式角度看，Human Behavior展示了如何将AI能力转化为可持续的商业价值。他们没有试图构建通用AI平台，而是专注于解决一个具体的、高价值的业务问题。这种专注让他们能够快速获得客户认可和收入增长。

未来发展的可能性与挑战

Human Behavior的长期愿景远不止于会话分析。正如他们在材料中提到的，会话回放数据是一个”未开发的金矿”，可以支持多种应用。他们的目标是成为”会话回放领域的Datadog”，从同一个核心数据集衍生出数十种产品。

我认为最有前景的扩展方向包括自动化QA测试、嵌入式IT支持、甚至是浏览器代理的训练数据。想象一下，当AI完全理解了用户如何与软件交互后，它可以自动执行重复性任务、预测用户需求、甚至主动解决问题。Amogh在访谈中也提到了这些可能性：”AI助手弹出来说，’我觉得你在这里遇到了困难，你是想找这个页面吗？"”

技术挑战仍然巨大。处理游戏行业的数据就是一个例子。Amogh承认：”在视频游戏中发生了太多事情，Gemini的工作方式是捕获单独的帧，所以这将是一个相当有趣的工程挑战。”每个垂直行业都有其特殊的需求和挑战，扩展到新领域需要大量的技术投入。

竞争压力将不断增加。一旦这种方法被证明有效，必然会有更多公司进入这个领域。保持技术领先优势需要持续的创新和投入。数据优势可能成为关键的护城河——拥有更多高质量用户行为数据的公司能够训练出更好的AI模型。

隐私法规的发展可能影响业务模式。随着全球对数据隐私保护的要求越来越严格，用户行为分析可能面临更多限制。公司需要在提供有价值洞察和保护用户隐私之间找到平衡。

市场成熟度是另一个考虑因素。目前的客户主要是高增长的初创公司，但要实现大规模商业成功，可能需要扩展到更传统的企业客户。这些客户通常有更复杂的需求、更严格的安全要求和更长的销售周期。

我相信Human Behavior代表了产品分析的未来方向。当AI能够真正理解用户行为时，产品开发将变得更加精准和高效。用户不再需要适应软件，软件将学会适应用户。这种转变的意义远超过技术本身，它将重新定义人机交互的方式。

从更广阔的视角看，Human Behavior的成功验证了一个重要趋势：AI的真正价值不在于替代人类，而在于增强人类的能力。通过让AI处理大规模数据分析的繁重工作，产品团队可以专注于创造更好的用户体验。这种人机协作模式可能是AI商业化的最佳路径。‍

本文由人人都是产品经理作者【深思圈】，微信公众号：【深思圈】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于 CC0 协议。